前面我们已经了解了Harris函数来进行角点检测，因为角点的特性，这些角点在图像旋转的时候也可以被检测到。但是，如果我们放大或缩小图像时，就可能会丢失图像的某些部分，甚至有可能增加角点的质量。这种损失的现象需要一种与图像比例无关的角点检测方法来解决。
SIFT(Scale-Invariant Feature Transform)尺度不变特征变换可以解决这个问题。
注意: SIFT 并不检测关键点(关键点由Difference of Gaussians检测)，SIFT会通过一个特征向量来描述关键点周围区域的情况。DoG操作的最终结果会得到感兴趣的区域(关键点)，这将通过SIFT来进行说明。
函数说明：
sift =cv2.SIFT_create([, nfeatures[, nOctaveLayers[,
contrastThreshold[, edgeThreshold]]]])
参数：
-
nfeatures： 保留的最佳功能的数量。这些特征按其分数排名（在SIFT算法中作为局部对比度测量）。
-
nOctaveLayers：每个八度中的层数。3是D.Lowe（原作者）论文中使用的值。八度的数量是根据图像分辨率自动计算的。
-
contrastThreshold：用于过滤掉半均匀（低对比度）区域中的弱特征的对比度阈值。阈值越大，检测器产生的特征越少。应用过滤时，对比度阈值将被nOctaveLayers除。当nOctaveLayers设置为默认值并且如果要使用D.Lowe论文中使用的值0.03时，请将此参数设置为0.09。
-
edgeThreshold：用于过滤边缘特征的阈值。请注意，其含义与contrastThreshold不同，即edgeThreshold越大，滤除的特征越少（保留的特征越多）。
返回值：
- sift：实例化一个sift特征检测器。
示例：对图像检测DoG特征并提取SIFT描述符
实验原图：
import cv2
import numpy as np
img = cv2.imread('images\\sumian.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
sift = cv2.xfeatures2d.SIFT_create()
keypoints, descriptor = sift.detectAndCompute(gray, None)
img = cv2.drawKeypoints(image= img, outImage= img, keypoints= keypoints, flags= cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS, color= (0, 0, 255))
cv2.imshow('sift', img)
cv2.waitKey()
cv2.destroyAllWindows()
发现是，如果你沿用之前的代码即
descriptor = cv2.xfeatures2d.SIFT_create()
会出现一个warning，但不影响结果。
[ WARN:0@0.037] global shadow_sift.hpp:15 cv::xfeatures2d::SIFT_create DEPRECATED: cv.xfeatures2d.SIFT_create() is deprecated due SIFT tranfer to the main repository. https://github.com/opencv/opencv/issues/16736
这是因为新版本的SIFT可以直接引用，不再需要安装contrib包，即
descriptor = cv2.SIFT_create()
官方公告可参见 OpenCV Google Summer of Code 2020
新代码如下：
import cv2
img = cv2.imread('images\\sumiao.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#sift = cv2.xfeatures2d.SIFT_create()
sift = cv2.SIFT_create()
keypoints, descriptor = sift.detectAndCompute(gray, None)
img = cv2.drawKeypoints(image= img, outImage= img, keypoints= keypoints, flags= cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS, color= (0, 0, 255))
cv2.imshow('sift', img)
cv2.waitKey()
cv2.destroyAllWindows()
运行效果：
